Résumé Technique : La Machine d'Urysohn

1. Énoncé du Problème

Les modèles de calcul classiques (machines de Turing, $\lambda$-calcul) décrivent le calcul à travers des états symboliques et des règles de réécriture locales, restant intentionnellement neutres quant au substrat concernant la géométrie, la continuité et la distance. Bien qu'universels, ces modèles confondent deux formes distinctes de difficulté dans les tâches de classification :

1. Coût Extrinsèque : Les ressources computationnelles requises pour implémenter un classifieur via un programme.
2. Coût Intrinsèque : La complexité géométrique de la frontière de décision elle-même que le classifieur doit résoudre.

Dans les espaces métriques ou topologiques, les modèles standards forcent l'encodage indirect de la structure géométrique, occultant la « masse de frontière » nécessaire pour séparer les classes. Cet article soutient qu'un modèle complémentaire est nécessaire — un modèle qui représente explicitement la séparation métrique, la structure de la frontière et la contraction au sein de l'état de calcul afin de rendre compte de la complexité intrinsèque de la classification.

2. Méthodologie : La Machine d'Urysohn (UM)

L'article introduit la Machine d'Usohn (UM), un modèle de calcul métrique-topologique où l'objet de base est le Triple d'Urysohn $(\Sigma, \Pi, f)$.

Composants Fondamentaux

• Bibliothèque Métrique : Le substrat de calcul est un espace structuré agissant comme mémoire, programme et espace de travail. Il s'agit d'un 5-uplet $(S, d, T, \sigma, K)$ où $S$ est un espace discret dénombrable d'indices, $d$ est une métrique, $T$ est une collection finie de Triples d'Urysohn, $\sigma$ est une discipline de pile, et $K$ limite la taille de la bibliothèque.
• Triple d'Urysohn : Un triple composé d'une région de support $\Sigma$, d'une partition cible $\Pi$, et d'un classifieur $f$ qui sépare la partition. Le classifieur est un « séparateur parfait » pour son support spécifique.
• Architecture de Pile : L'UM opère via une pile LIFO (Last-In-First-Out). Chaque nouveau contexte de classification pousse un nouveau triple ; lorsqu'un contexte se termine, le triple est dépilé, restaurant le classifieur précédent. Cela modélise la classification hiérarchique où les décisions grossières forment l'environnement de raffinements plus fins. Les triples passés sont « gelés » et immuables.

Fondement Théorique

Le modèle est ancré dans une version constructive du Lemme d'Urysohn. Alors que le lemme classique garantit l'existence d'un séparateur continu pour des ensembles fermés disjoints dans un espace normal, l'UM nécessite une réalisation constructive pour des contextes simpliciaux finis.

• Échelle Dyadique : Le séparateur est construit via un raffinement dyadique de régions polyédriques imbriquées.
• Calcul de Frontière : Chaque niveau de l'échelle dyadique introduit une « frontière » (la limite entre les régions). Ces frontières sont traitées comme des cycles dans un complexe de chaînes ($\partial^2 = 0$). L'espace entre les niveaux (coques) possède des frontières définies par la différence de ces frontières.

3. Contributions Clés et Définitions

(1) Mesures de Complexité : $W_\partial$ vs $W_U$

L'article distingue deux mesures de largeur :

• Largeur de la Frontière de Décision ($W_\partial$) : La mesure géométrique (mesure de Hausdorff de dimension $d-1$) de la frontière d'un classifieur unique. Cela mesure la difficulté géométrique intrinsèque d'un séparateur spécifique.
• Largeur d'Urysohn ($W_U$) : La masse de frontière agrégée représentée par une bibliothèque ou une réalisation d'Urysohn. C'est la somme des $W_\partial$ de tous les triples de la bibliothèque. Cela mesure la structure de séparation totale stockée, composée ou réutilisée.

(2) Le Théorème de Séparation Amortie

L'article prouve qu'approximer une frontière de largeur $W_\partial$ avec une précision $\epsilon$ nécessite un nombre de triples de base simples proportionnel à $W_\partial$ et inversement proportionnel à $\epsilon$. Cela établit que les frontières complexes ne peuvent pas être compressées arbitrairement ; le « coût » de la frontière est une obstruction intrinsèque.

(3) Opérateur de Séparation Contrastive

Un nouvel opérateur est introduit pour estimer $W_\partial$ à partir de données métriques échantillonnées :

• Fonctionnel de Coupe de Graphe (Graph-Cut) : Un estimateur de périmètre non local normalisé, dérivé d'un graphe d'affinité intra-classe, estime systématiquement la mesure de la frontière.
• Certification Spectrale : Le spectre du Laplacien de cet opérateur n'est pas destiné à estimer la largeur de la frontière, mais à certifier des propriétés topologiques, telles que le nombre de composantes connexes de classe (via la multiplicité de la valeur propre zéro) et la conductance (via le gap spectral).

(4) Contraction Métrique et Inférence Géodésique

Une fois un séparateur construit, l'UM emploie une contraction sensible à la classe :

• Les distances entre les points d'une même classe sont contractées ($d' \le \lambda d, \lambda < 1$).
• Les distances entre classes différentes sont préservées ou étendues.
• Amortissement Géodésique : L'inférence procède le long de géodésiques contractées au sein de régions cohérentes avec la classe, plutôt que de chercher dans l'espace ambiant. Cela convertit le coût unique de construction du séparateur en une géométrie réutilisable pour les requêtes futures.

4. Résultats et Garanties Computationnelles

L'article analyse l'Échelle d'Urysohn Dynamique, un processus de construction incrémentale (Évaluer-Détecter-Raffiner), et établit quatre garanties computationnelles :

1. Séparabilité sous Effondrement de Quotient : Le quotientage (effondrement) des régions engagées préserve la capacité de séparer les classes. La propriété de séparation est héréditaire à travers la hiérarchie de l'échelle.
2. Stabilité des Frontières Engagées : L'architecture maintient une décomposition entre le « flux » (raffinement actif) et l'« échafaudage » (tokens figés, engagés). Les mises à jour de raffinement ne perturbent pas les frontières précédemment engagées, assurant une composition sans interférence.
3. Capacité Bornée : Sous contraction uniforme, le nombre de recouvrement (demande de capacité) de l'espace quotient croît de manière logarithmique avec la profondeur plutôt que linéairement avec la longueur de l'instance. Cela permet au système de représenter des instances arbitrairement longues avec des ressources bornées.
4. Scalabilité : Le coût d'inférence dépend de la distance de quotient (nombre de tokens dans la hiérarchie) plutôt que de la longueur de la trajectoire ambiante. Cela limite efficacement la complexité temporelle de l'inférence à $O(\log L)$ plutôt qu'à $O(L)$.

5. Signification et Revendications

L'article positionne la Machine d'Urysohn non pas comme un remplacement des modèles de calcul classiques (qui restent définis par les machines de Turing), mais comme un affinement de la description computationnelle pour les problèmes métriques-topologiques.

• Intensionnel vs Étendue : Tandis que les machines de Turing fournissent une théorie extensive de ce qui peut être calculé, l'UM fournit un compte intensionnel de comment une structure métrique-topologique peut être représentée, amortie et réutilisée.
• Calcul Cognitif : Le modèle offre un cadre théorique pour le « calcul cognitif » où la mémoire est une géométrie active de distinctions réutilisables plutôt qu'un stock passif d'exemples.
• Apprentissage Continu : L'UM reformule l'apprentissage continu comme un raffinement contrôlé des frontières. Les nouvelles tâches sont insérées comme de nouveaux séparateurs dans la bibliothèque ; une fois engagés, ils sont gelés et réutilisables, répondant au problème de l'oubli catastrophique en découplant la plasticité (nouvel apprentissage) de la stabilité (frontières gelées).
• Hallucination vs Généralisation : L'article définit l'hallucination comme un échec de calibration de domaine où l'extension de Tietze (généralisation) est appliquée au-delà du domaine valide de l'échelle d'Urysohn calibrée (c'est-à-dire un effondrement à travers les bassins). La généralisation est sûre uniquement lorsqu'elle s'étend à l'intérieur d'un bassin sans traverser une frontière engagée.
• Implications pour l'AGI : Les auteurs suggèrent que l'intelligence générale ne nécessite pas de dépasser les limites de Turing, mais plutôt une organisation interne plus riche de la structure calculable : des séparateurs stables pour l'abstraction, des extensions préservant les frontières pour la généralisation, et des contractions métriques réutilisables pour l'inférence amortie.

L'article conclut que l'UM préserve la calculabilité classique tout en exposant la structure géométrique cachée par les descriptions purement symboliques, fournissant un compte métrique-topologique de la complexité de la classification et de l'inférence amortie.